- •Лекция 2 Определение вероятностей сложных событий
- •От простых событий к сложному
- •Вероятностная модель испытаний Бернулли
- •Теорема Бернулли
- •Формула Бернулли
- •Обобщенная формула Бернулли
- •Практическое нахождение достаточного числа повторений
- •Локальная теорема Лапласа
- •Интегральная теорема Лапласа
- •Условие для необходимого числа испытаний
- •Вычисления функции Лапласа в среде matlab
- •Решение обратной задачи
- •Формула Пуассона
- •Оценка вероятности по частоте успехов в испытаниях Бернулли
- •Применение нормального приближения
- •Оценка вероятности по частоте маловероятных событий в испытаниях Бернулли
- •Универсальный метод оценки вероятности по частоте
- •Построение кривой чувствительности
- •Построение кривой чувствительности при ограниченном объеме статистики
- •Вероятность нескольких попаданий в серийной стрельбе
- •Повторение опытов в меняющихся условиях
- •Универсальная электронная формула для независимых испытаний
- •Пример применения универсальной электронной формулы RptTrial
- •Ординарные потоки и поля событий
- •Ординарные потоки событий
- •Вероятность событий в простейшем пуассоновский потоке
- •Пуассоновский поток событий
- •Простейшее пуассоновское поле событий
- •Иллюстрация статистически равномерного распределения
- •Пуассоновское поле событий
- •Координатный закон поражения
- •Кзп в однородном поле
- •Кзп в неоднородном поле
- •Статистическое моделирование пуассоновского поля
- •БэсПиБп.2. Случайные события. Повторение опытов 16
Построение кривой чувствительности
>> n=15;x=1:n;p=1./(1+exp(-x+6)).^2;N=500;S=[];Y=[];for i=1:n S(i)=Gen('bin',N,p(i));end
Рис. 2.4. Кривая чувствительности и доверительный интервал |
>> for i=1:n Y(i,:)=I_Binom(S(i),N,0.99);end
Кривую чувствительности F(x) получим как среднюю линию доверительного интервала:
>> F=mean(Y,2);plot(x,Y(:,1),x,Y(:,2),x,F,x,S/N,'k.')
На рис. 2.4 показаны графики границ доверительного интервала, кривой чувствительности и статистических точек. Графики довольно точно воспроизводят исходную кривую чувствительности благодаря очень большому объему статистики (15500 точек). В физическом эксперименте объем получаемой статистики приходится ограничивать, что затрудняет выявление закономерностей.
Построение кривой чувствительности при ограниченном объеме статистики
>> N=20;S=[];for i=1:n Y(i,:)=I_Binom(Gen('bin',N,p(i)),N,0.99);end
>> F=mean(Y,2);plot(x,Y(:,1),x,Y(:,2),x, F)
Рис. 2.5. Улучшенная кривая чувствительности при малом объеме статистики |
>> [Fun,Par]=Approx('1./(1+exp(-x+L)).^2',x,F' ,1)
Fun(x,L) = 1./(1 +exp(-x+L)).^2 Par = 6.1404
Формула получает вид зависимости, массивы значений аргумента и аппроксимируемой функции, а также исходные значения для ее параметров. Она составляет целевую функцию оптимизации параметров для программы fminsearch и возвращает инлайн-функцию с оптимальными параметрами Par. Вычислим с помощью этой функции и выведем на рис. 2.5 (черным цветом) улучшенный график кривой чувствительности:
>> X=2:0.1:12; Y=Fun(X,Par);hold on, plot(X,Y, 'k')
Для сравнения выведена также кривая, полученная ранее из статистики большого объема (пунктиром). Они практически совпали, хотя улучшенная кривая получена по статистике в 25 раз меньшего объема.
Вероятность нескольких попаданий в серийной стрельбе
Несколько выстрелов на одной установке прицела нельзя считать испытаниями Бернулли на том лишь основании, что в каждом выстреле вероятность попадания одинакова. Если бы единственной причиной промахов было рассеивание, вызванное индивидуальными особенностями каждого снаряда, события попадания в каждом выстреле можно было бы считать независимыми. Ошибки стрельбы содержат и повторяющуюся компоненту, одинаковую в каждом выстреле (ошибки целеуказания, прицеливания), что приводит к стохастической зависимости между событиями попадания.
Оценив степень зависимости между выстрелами и убедившись в том, что можно пренебречь зависимостью, вероятность попаданий все равно нельзя вычислять по биномиальной формуле, если условия стрельбы меняются от выстрела к выстрелу.